1樓：永無止境
站在2023年的角度，深度學習已經成為了計算機視覺領域的重要方法。
在這些深度學習方法裡，卷積神經網路是最重要的、也是最基礎的一種。
卷積神經網路
殘差網路是卷積神經網路和跨層路徑的結合，可達上千層那麼深。
殘差網路
深度殘差收縮網路，在殘差網路中嵌入了軟閾值化，更適合強噪的情況。
深度殘差收縮網路
2樓：
作為乙個學了七年影象處理的從業者，我自認為從來都沒有系統的學過影象處理的知識，無論是讀書還是工作，從來都是用到什麼學什麼，看的多自然能發現這些知識的聯絡點，但是要說把影象處理裡涉及到的知識循序漸進的學習，不現實也不科學。
其實這個方向跟其他計算機學科的方向沒什麼不同，都是基礎數學在領域裡的發展而已。想要系統的學習影象處理，最好的方法是把這裡面涉及的數學知識從頭到尾看一遍，例如從線性代數開始學習計算幾何學、線性規劃以及凸優化理論，從概率論學習隨機過程和基於貝葉斯的機模式識別，除此之外還有離散數學，變分理論，統計機器學習等等等等等等等等。當然，相信當你把這些知識從頭到尾理解透徹了之後早已成為科學大神去追尋更偉大的數學問題，肯定對影象處理沒什麼興趣了。。。
另一方面，這個方向可以認為是乙個偏向自然應用的學科，在工程中的具體實現方法往往是又工程中的其他因素決定的，例如資料集，平行計算，引數學習等。這又需要從計算機體系的角度去理解這個方向裡的知識，從應用頂層去系統的理解這些知識。當然，當你把這些知識自頂而下融會貫通之後早就攻克無數應用難題擔任CEO迎娶白富美，肯定對影象處理沒什麼興趣了。。。
所以綜上所述，系統的學習影象處理知識，最好的辦法還是用到什麼學什麼，好好的打好其他基礎吧。。。
電腦科學想學機器學習與深度學習要學好哪些學科？
才學會飛行 整個類別太大了，就比如想學深度學習的nn網路，數學知識基本都在高數的鏈式求導和線代的矩陣乘法，當然還有一些優化論的東西 理解每個框架的思路。但學機器學習還分乙個統計機器學習和概率圖 目前我學到的分了這兩塊.很明顯乙個要求統計知識，乙個要求概率論的知識，等等其他的，個人涉及不廣。當你涉及演...
計算機視覺，計算機圖形學和數字影象處理，三者之間的聯絡和區別是什麼？
Jeremy Zhou 通俗易懂的說法 Computer Vision 關係於 AI Artificial Intelligence Computer Graphics 涉及於互動繪製等例如幾何圖形的輸入和儲存虛擬實境技術動畫技術這就是我們常說的CG Digital Image Processing...
執行各類計算機影象分析 深度學習 雲計算等演算法時，哪些適合MIMD，哪些適合SIMD？
李發 任何適合simd的都適合Mimd,反之則不然。寫高效率的simd程式就是個每時每刻都在搞演算法的過程，對有些人來說這還挺有樂趣的，畢竟比推導公式定理什麼的輕鬆多了，更像做智力題 首先CPU是SIMD外加多執行緒 據我所知NVIDIA的GPU目前的並行模型是SIMT，指令集則有VLIW的特點。最...